Key points are not available for this paper at this time.
لقد حقق التصميم الجزيئي التوليدي لاكتشاف الأدوية مؤخرًا موجة من التحقق التجريبي، حيث كانت الهياكل المعتمدة على اللغة هي الأكثر شيوعًا. العامل الأكثر أهمية من أجل النجاح في المراحل اللاحقة هو ما إذا كان العراف الحاسوبي مرتبطًا بشكل جيد مع النقطة النهائية المرغوبة. لهذا السبب، تستخدم الطرق الحالية عرافات بروكسي أرخص ذات إنتاجية أعلى قبل تقييم مجموعة الفرعية الأكثر وعدًا باستخدام عرافات عالية الدقة. ستعزز القدرة على تحسين العرافات عالية الدقة بشكل مباشر التصميم التوليدي ومن المتوقع أن تحسن معدلات النجاح. ومع ذلك، فإن النماذج الحالية ليست كفء بما يكفي للنظر في مثل هذه الميزة، مما يعكس مشكلة كفاءة العينة. في هذا العمل، نقدم زحل، الذي يستفيد من خوارزمية الذاكرة المعززة ويظهر أول تطبيق لهياكل ماما في التصميم الجزيئي التوليدي. نحن نوضح كيف أن إعادة تشغيل التجربة مع زيادة البيانات تحسن كفاءة العينة وكيف تستغل ماما هذا الميكانيزم بشكل تآزري. يتفوق زحل على 22 نموذجًا في مهام تحسين متعددة المعلمات ذات الصلة باكتشاف الأدوية وقد يمتلك كفاءة عينة كافية للنظر في إمكانية تحسين العرافات عالية الدقة بشكل مباشر.
درس غوان وآخرون (Mon) هذا السؤال.